5

5

64

Modelado de datos espaciales en Python (Versión 2020)

PRIVADO
DESCRIPCIÓN GENERAL: 

El curso Modelado de datos espaciales en Python, esta preparado para usuarios que tengan un nivel básico de entendimiento del lenguaje de programación Python, y requieran aprender una herramienta para manipulación, análisis estadístico, modelado, evaluación y reportabilidad de datos espaciales.

Los datos espaciales, también conocidos como datos geoespaciales, son aquellos que poseen información sobre una ubicación específica en la superficie de la Tierra. Existe una gran y diversa cantidad de disciplinas que estudian este tipo de dato, y si bien este curso posee una tendencia geológica-minera, es que todo el contenido es completamente reproducible.


RELATOR:

MSc. Heber Hernández Guerra, es ingeniero civil de minas, master en minería y candidato a doctor de la Universidad del País Vasco/Euskal Herriko Unibertsitatea, actualmente se desempeña como docente universitario e investigador en temas relativos al estudio de variables espaciales.


PRE-REQUISITOS:

El estudiante deberá tener un nivel básico de programación en Python, en caso contrario se recomienda cursar alguno de los siguientes cursos de Nube Minera de forma previa:
  1. Python para Ingeniería nivel básico (PYB)
  2. Geoestadística para mineros en Python [GP] 

COMPRAR EL CURSO:

El valor del curso es de 130 USD con suscripción de 6 meses. Posterior sea confirmado el pago (máx. 3 horas) recibirá un correo electrónico con su credencial de acceso.

Comprare el siguiente servicio:
Mi nombre es:

DIPLOMA:

El curso posee una evaluación al final de todo el contenido, la cual discriminará en la aprobación o no del curso. En caso de aprobar el estudiante recibirá un diploma que señale dicho logro.

Course Currilcum

    • Presentación y bienvenida al curso 00:12:00
    • Instalando Python desde Anaconda 00:10:00
    • Importación – Ejemplo dataset p4hd [Mina Nevada, USA] 00:21:00
    • Manipulación DataFrame – Ejemplo dataset p4hd [Mina Nevada, USA] 00:11:00
    • Exportación – Ejemplo dataset p4hd [Mina Nevada, USA] 00:11:00
    • Importación URL- Ejemplo dataset PM10 [contaminantes aire] 00:16:00
    • Extracción muestra aleatoria desde DF – Ejemplo dataset SIM [modelo 2D] 00:10:00
    • Extracción muestra por indexación- Ejemplo dataset SIM [modelo 2D] 00:06:00
    • Extracción muestra mediante bucle – Ejemplo dataset SIM [modelo 2D] 00:08:00
    • Creación condicional de subconjunto de datos – Ejemplo dataset zuck_small [Mina OP] 00:13:00
    • Copiar un DataFrame – Ejemplo dataset zuck_small [Mina OP] 00:04:00
    • Ejercicio Propuesto Unidad I 01:00:00
    • Visualización nube de puntos 2D – Ejemplo dataset SIM [modelo 2D] 00:10:00
    • Triangulación nube de puntos 3D – Ejemplo dataset CurvasTopo [Curvas de nivel] 00:06:00
    • Visualización nube de puntos 3D – Ejemplo dataset W23 [Mina OP] 00:06:00
    • Ejercicio Propuesto Unidad II 00:30:00
    • Medidas de posición – Ejemplo dataset aire [contaminantes aire] 00:30:00
    • Diagrama de cajas y bigotes- Ejemplo dataset aire [contaminantes aire] 00:10:00
    • Diagrama combinado linea y barras – Ejemplo dataset aire [contaminantes aire] 00:06:00
    • Medidas de dispersión – Ejemplo dataset aire [contaminantes aire] 00:09:00
    • Histograma – Ejemplo dataset aire [contaminantes aire] 00:10:00
    • Medidas de forma y prueba de normalidad – Ejemplo dataset aire [contaminantes aire] 00:13:00
    • Transformación – Ejemplo dataset aire [contaminantes aire] 00:11:00
    • Regresión lineal múltiple – Ejemplo dataset aire [contaminantes aire] 00:23:00
    • MRLM aplicado a relleno de información para sondajes 3D [compositos Hierro] 00:36:00
    • Interpolación vecinos cercanos – Ejemplo dataset muestras [samples] 00:19:00
    • Interpolación vecinos cercanos – Ejemplo dataset sondajes 3D 00:15:00
    • Interpolación del tipo lineal – Ejemplo dataset muestras [samples] 00:20:00
    • Interpolación del tipo cubica – Ejemplo dataset muestras [samples] 00:08:00
    • Interpolación kriging ordinario – Ejemplo dataset muestras [samples] 00:34:00
    • Interpolación kriging simple – Ejemplo dataset muestras [samples] 00:08:00
    • Demostración KO y KS 2D [dataset muestras regulares 2d] 00:24:00
    • Interpolación RBF a nivel 2d [samples dataset] 00:20:00
    • Interpolación RBF 3D 00:12:00
    • Ejercicio propuesto unidad V 01:00:00
    • Clustering jerárquico aglomerativo 00:08:00
    • Estandarización de variables 00:10:00
    • Mediciones con distancias 00:15:00
    • Estrategias de agrupamiento 00:14:00
    • Selección del número de grupos Método del codo (Elbow Method) 00:07:00
    • Asociando el clustering en espacio 00:17:00
    • Clustering con K-Means 00:23:00
    • Adicional: K-medias en definición de dominios 00:30:00
    • K vecinos cercanos 00:04:00
    • KNN implementación [dataset compositos hierro] 00:39:00
    • Explicación conceptual validación cruzada 00:10:00
    • Simulación como base para la extracción de una muestra 00:28:00
    • Validación cruzada a nivel de una observación 00:18:00
    • Validación cruzada con n observaciones 00:11:00
    • Scatterplot validación cruzada 00:18:00
    • Webinar: Validación Cruzada a través de una nueva función 00:56:00
    • Creando una función que reporte desde un DataFrame 00:13:00
    • Reporte gráfico 00:15:00
    • Reporte estadístico – gráfico en un XLSX 00:18:00
    • Reporte de una validación cruzada 00:18:00
    • Sub y super indice en leyendas y etiquetas 00:18:00
    • Reporte desde un modelo 3D 00:27:00
    • Animación 3D desde modelo de bloques 00:12:00
    • Trabajo para aprobar curso 00:05:00

Course Reviews

5

5
5 ratings
  • 5 estrellas5
  • 4 estrellas0
  • 3 estrellas0
  • 2 estrellas0
  • 1 estrellas0
  1. Excelente...
    5

    El curso es muy completo

  2. CINTHIA GLADBET LIZZET BARBOZA BRAVOjunio 27, 2021 en 1:16 pm
    Modelado de datos espaciales en Python (ADEP)
    5

    El curso es bastante completo, didáctico, permite analizar cuál es el interpolador que genera menos sesgo mediante la validación cruzada y muchos otros temas importantes aplicando python.

  3. Miguel Sergio Chique Sayrefebrero 1, 2021 en 6:30 pm
    Excelente curso
    5

    Muy didactico para aprender python y la importancia de analizar nuestros datos.

  4. Hector Miguel Valdez Lopezoctubre 21, 2020 en 2:26 am
    Evaluación
    5

    Muy buen curso, bien explicado.

  5. Bernardo Javier Villegas Norambuenaoctubre 17, 2020 en 4:29 pm
    Curso muy útil
    5

    Un curso muy didáctico, muy didáctico, practico y variado en términos de la data que fue utilizada. Gracias y felicitaciones.

top
Nube Minera © 2024